选自 hackernoon
机器之心编译
参加：黄小天、路雪
Docker 有许多优势，可是在数据科学和深度学习方面，运用 Docker 也存在一些阻止。本文介绍了一系列 Docker 实用东西，以及 GPU-ready 样板文件，让咱们看看 Docker Compose + GPU + TensorFlow 能发生什么独特作用吧。
Docker 很棒——越来越多的人在开发与散布中运用它。Docker 有许多优势：即时环境设置、独立于渠道的 app、现成的解决方案、更好的版别操控、简化的保护。
可是在数据科学和深度学习方面，运用 Docker 有一些阻止。你有必要记住一切的 Docker 标志，以在主机和容器之间同享端口和文件，创立不用要的 run.sh 脚本，并处理 CUDA 版别和 GPU 同享。假如你从前见过下面这个过错，你就会了解这种苦楚：
$ nvidia-smi
Failed to initialize NVML: Driver/library version mismatch
咱们的方针
本文的意图在于为你介绍一系列 Docker 实用东西，以及咱们经常在公司运用的 GPU-ready 样板文件。
因而，以下成果将不会呈现：
docker run \
--rm \
--device /dev/nvidia0:/dev/nvidia0 \
--device /dev/nvidiactl:/dev/nvidiactl \
--device /dev/nvidia-uvm:/dev/nvidia-uvm \
-p 8888:8888 \
-v `pwd`:/home/user \
gcr.io/tensorflow/tensorflow:latest-gpu
取而代之的是这种成果：
doc up
酷！
咱们实际上想要到达的：
经过一个指令办理咱们的运用程序状况（运转、中止、移除）
把一切的运转标志保存到咱们能够提交到 git repo 的单个装备文件
忘掉 GPU 驱动程序版别不匹配和同享
在出产东西比方 Kubernetes 或 Rancher 中运用 GPU-ready 的容器
因而，这里是咱们激烈引荐给每个深度学习者的东西清单：
1. CUDA
首要，你需求 CUDA 东西包，假如你计划自己着手练习模型，那这是有必要要有的。咱们引荐运用 runfile 装置程序类型而不是 deb，由于它不会在今后的更新中混杂依靠联络。
（可选）怎么查看它是否作业：
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
make
./deviceQuery # Should print "Result = PASS"
2. Docker
你不想让海量的库污染你的核算机，也惧怕版别呈现问题。相同，你不用亲身构建和装置——一般，软件已为你创立好了，并包装在图画中。装置 Docker 很简略：
curl -sSL https://get.docker.com/ | sh
3. Nvidia Docker
假如运用 Docker，有必要有来自英伟达的实用程序（https://github.com/NVIDIA/nvidia-docker），它真实简化了在 Docker 容器内运用 GPU 的过程。
装置十分简略：
wget -P /tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.1/nvidia-docker_1.0.1-1_amd64.deb
sudo dpkg -i /tmp/nvidia-docker*.deb
现在，不用每次都用下列方法来同享英伟达设备：
docker run --rm --device /dev/nvidia0:/dev/nvidia0 --device /dev/nvidiactl:/dev/nvidiactl --device /dev/nvidia-uvm:/dev/nvidia-uvm nvidia/cuda nvidia-smi
你能够运用 nvidia-docker 指令：
nvidia-docker run --rm nvidia/cuda nvidia-smi
相同，你也无需忧虑驱动程序版别不匹配：英伟达的 docker 插件将会帮你解决问题。
4. Docker Compose
超级有用的实用程序，答应你在文件中存储 docker run 装备，并更轻松地办理运用程序状况。尽管它的规划意图是组合多个 docker 容器，但 docker compose 在你只要一个服务的时分仍然十分有用。这里有一个安稳版别（https://github.com/docker/compose/releases）：
curl -L https://github.com/docker/compose/releases/download/1.15.0/docker-compose-`uname -s`-`uname -m` > /usr/local/bin/docker-compose
chmod +x /usr/local/bin/docker-compose
5. Nvidia Docker Compose
不幸的是，Docker Compose 并不知道 Nvidia Docker 的存在。走运的是，有一个解决方法：有一个小的 Python 脚本，能够用 nvidia-docker 驱动程序生成装备。经过 pip 装置 Nvidia Docker Compose：
pip install nvidia-docker-compose
现在你能够运用 nvidia-docker-compose 指令，而不是 docker-compose 了。
替代挑选
假如你不想运用 nvidia-docker-compose，你能够手动传递音量驱动程序，只需把这些选项添加到 docker-compose.yml：
# Your nvidia driver version here
volumes:
nvidia_driver_375.26:
external: true
...
- nvidia_driver_375.26:/usr/local/nvidia:ro
6. Bash 别号
可是 nvidia-docker-compose 需求输入 21 个字符，这太多了。
很走运咱们能够运用 bash 别号。在你最喜欢的编辑器翻开~/.bashrc（有时是~/.bash_profile），输入以下代码行：
alias doc='nvidia-docker-compose'
alias docl='doc logs -f --tail=100'
经过运转 source ~/.bashrc 更新你的设置。
开端 TensorFlow 服务
现在咱们预备好运用上述一切东西的长处。比方，咱们运转一个 Tensorflow GPU 启用的 Docker 容器。
在项目目录中创立具有以下内容的 docker-compose.yml 文件：
version: '3'
services:
tf:
image: gcr.io/tensorflow/tensorflow:latest-gpu
ports:
- 8888:8888
- .:/notebooks
现在咱们能够运用单个指令开端 TensorFlow Jupiter：
doc 是 nvidia-docker-compose 的别号——它将运用正确的 volume-driver 生成已修正的装备文件 nvidia-docker-compose.yml，然后运转 docker-compose。
你能够运用相同的指令办理你的服务：
doc logs
doc stop
doc rm
# ...etc
定论
可是这值得吗？下面让咱们看一下其优缺陷。
长处
无需考虑 GPU 设备同享
不用再为英伟达驱动程序版别忧虑
摆脱了偏心洁净、简略装备的指令标志
再也不需求--name 标志办理容器状况
众所周知已记录并得到广泛运用的实用程序
你的装备已为编制东西做好预备，比方了解 docker-compose 文件的编制东西 Kubernetes
缺陷
你不得不装置更多东西
它是出产安排妥当（production-ready）的吗
是的。在电影引荐运用 Movix 中，咱们运用 GPU 加快的 TensorFlow 网络根据用户输入核算实时的电影挑选。
咱们在 Proxy API 的 Rancher 集群中有三台带有 Nvidia Titan X 的电脑。装备储存在惯例 docker-compose.yml 文件中：因而在一个新服务器上布置运用程序或许设置开发环境变得很轻松。目前为止它的体现可谓完美。
为机器学习的未来做好预备吧！
原文链接：https://hackernoon.com/docker-compose-gpu-tensorflow-%EF%B8%8F-a0e2011d36
本文为机器之心编译，转载请联络本大众号取得授权。
------------------------------------------------
